我要投稿
微信搜一搜，关注“人工智障与神经病网络研究所”
没有采用现成的 RAG 中间件（比如LangChain和LlamaIndex）
能够自动识别文档的布局，包括标题、段落、图表等。比如我输入“Figure 1”进行测试，能召回对应的图，但还是只能保留了图的文本信息，但是对话时无法进行多模态理解
对表格进行单独处理和存储，且较好的还原了HTML表格，准确率还可以。在代码中，每个chunk使用的react-pdf-highlighter组件进行高亮显示，体验不错
为了适应不同行业和岗位对文档的不同需求，例如会计、HR、科研工作者等会接触到不同类型的文档，RAGFlow 提供了以下丰富的分块解析方法以及实例：
能够让用户随时查看是基于哪些原文生成答案的，提供了原文的引用链接，并允许用户进行详细的查看和对照。
追求对非结构化数据的深度语义理解，并计划将更加可扩展的文档结构识别模型应用到系统中，以适应企业级复杂场景的需求。
在数据源接入与集成方面，RAGFlow 设计目标是能够处理更多复杂场景，尤其是B端场景，并计划接入企业的各类数据源，如 MySQL 的 binlog、数据湖的 ETL、外部爬虫等，以实现更广泛的应用。
53AI，企业落地大模型首选服务商
产品：场景落地咨询+大模型应用平台+行业解决方案
承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2025-06-14
AI开发实战：解决RAG的召回不准问题
2025-06-13
揭开RAG的神秘面纱：90%的人不知道腾讯IMA底层原理
2025-06-13
金融智脑：破解RAG系统在金融场景中常见失败的七大陷阱
2025-06-13
从零开始学 Dify - Dify 的 RAG 系统如何有效地处理和检索大量文档？
2025-06-13
大模型：多种RAG组合优化（langchain实现）
2025-06-12
深入使用 Deep Research 后，我确信 RAG 的未来是 Agent
2025-06-12
从传统 RAG 到知识图谱 + Agent，知识库 AI 问答成功率终于达到 95% 了，来自蚂蚁集团的经验
2025-06-12
GraphRAG变种这么多，该采用哪种？九大GraphRAG评估参考
2025-03-21
2025-03-20
2025-03-24
2025-03-17
2025-03-24
2025-03-19
2025-03-24
2025-03-28
2025-04-01
2025-03-23
2025-06-13
2025-06-09
2025-06-06
2025-05-30
2025-05-29
2025-05-29
2025-05-23
2025-05-16
回到顶部
粤ICP备17114055号